基于机器学习的出院时医院获得性营养不良预测方法:采用GLIM标准的多中心真实世界研究

《Nutrition》:Machine learning-based prediction of hospital-acquired malnutrition at discharge using the GLIM criteria: A multicenter real-world study

【字体: 大 中 小 】 时间:2026年10月16日 来源:Nutrition 3.6

编辑推荐:

  •根据GLIM标准定义的医院获得性营养不良影响了21.6%的患者。•医院获得性营养不良(HAM)与更多并发症、更长的住院时间和更高的医疗费用相关。•XGBoost模型在区分能力上表现最佳,AUC为0.882。•入院数据有助于早期识别高风险HAM患者。•SHAP分析方法凸显了小腿周

  
  • •
    根据GLIM标准定义的医院获得性营养不良影响了21.6%的患者。
  • •
    医院获得性营养不良(HAM)与更多并发症、更长的住院时间和更高的医疗费用相关。
  • •
    XGBoost模型在区分能力上表现最佳,AUC为0.882。
  • •
    入院数据有助于早期识别高风险HAM患者。
  • •
    SHAP分析方法凸显了小腿周长、体重下降、肌肉损失、癌症和年龄等因素。

引言

营养不良是一个全球性的健康问题,据报道,在住院患者中的发病率在20%到50%之间,具体取决于所采用的诊断标准[1]。它与不良临床结果密切相关,包括感染率增加、伤口愈合不良、住院时间延长、再住院率和死亡率升高[[2], [3], [4], [5]]。这些并发症进一步导致了医疗成本的增加[6]。在住院患者中,营养不良可能在入院时就存在,也可能在住院期间发生。后者指的是那些入院时并未营养不良的患者被诊断为营养不良,或者在住院期间营养状况显著下降的情况,这种情况称为医院获得性营养不良(HAM)[7]。尽管人们对营养不良的认识有所提高,营养科学也取得了进展,但在临床实践中,HAM常常被忽视。然而,无论是既有的营养不良还是HAM都会增加医院获得性并发症(HACs)的发生率,降低治疗效果,并导致许多不良临床结果[8]。因此,对于入院时没有营养不良的患者来说,预测和评估HAM至关重要。
住院患者中营养不良的发生受多种因素影响[8]。2018年,澳大利亚医疗安全和质量委员会正式将营养不良认定为HAC。然而,目前国际上尚未制定出统一的诊断标准和明确的HAM时间框架。Botero等人进行的一项前瞻性观察性队列研究报告称,HAM的发病率为28.3%[7]。然而,之前的研究由于基线和随访营养评估之间的时间间隔较短(仅3-27天),可能低估了HAM的真实发病率[9,10]。尽管Botero等人的研究使用主观全球营养评估方法在2到3周内跟踪了营养状况,但样本量相对较小,并且研究对象中包括那些入院时就已经营养不良的患者[7]。
为了解决这些问题,我们对一项涉及住院成年患者的大规模多中心观察性研究的数据进行了二次分析,这些患者的住院时间为7至30天。此次分析有两个主要目标:首先,通过比较是否发生HAM的患者之间的临床结果,来描述GLIM定义的HAM的发病率和临床负担;其次,在入院时没有营养不良的患者中,我们利用入院后24小时内可获得的变量开发并内部验证机器学习模型,以预测出院时的HAM情况。我们进一步试图识别和解释影响模型预测结果的主要因素。

章节摘录

研究设计和来源队列

研究数据是在中国18个城市中的34家三级甲等医院进行的一项大规模多中心观察性研究中前瞻性收集的[11]。原始研究使用标准化方案收集了患者的 demographic、临床、人体测量、实验室和营养评估数据。本次分析是对该前瞻性收集数据进行的二次分析。二次分析包括两个部分。

来源队列中的发病率和负担

本研究共纳入了4746名住院患者。其中,1364名(28.7%)患者入院时已有营养不良,而3382名(71.3%)则没有。两组患者的基线特征比较见补充表1。与入院时没有营养不良的患者相比,已有营养不良的患者年龄显著更大(64.68 ± 14.93岁 vs 58.78 ± 14.66岁,P < 0.001),入院时的体重也更低(56.26 ± 11.05公斤)

讨论

这项针对中国34家三级医院4746名患者的大规模多中心观察性队列的二次分析,系统评估了根据GLIM标准诊断出的HAM的发病率和临床影响。

结论

这项多中心研究表明,即使入院时没有营养不良,患者中也普遍存在GLIM定义的HAM,且这与增加的临床和经济负担相关。所开发的机器学习模型有助于早期识别高风险HAM患者,支持及时的营养评估和干预。

伦理声明

所有参与者或其法定代理人均已签署书面知情同意书,同意参与研究并发表文章。参与者的隐私权得到了保障。
本研究遵循了研究所在地的相关法律、监管框架和指南。该研究获得了北京医院伦理委员会的批准(批准编号2014BJYYEC-022-02)。

关于写作过程中使用生成式AI和AI辅助技术的声明

作者声明在写作过程中未使用任何生成式AI和AI辅助技术。

数据共享计划
有意进一步访问和探索本研究数据的学者可联系相应的作者。

参与同意声明
所有患者均签署了知情同意书,并同意参与本研究。

资金支持
国家高水平医院临床研究资助项目(BJ-2025-204)。

CRediT作者贡献声明

李勇浩:撰写——初稿撰写、资源协调、概念构思。栾晓毅:验证、调查、数据分析、数据整理。李一琳:验证、资源协调、调查。陈莉如:撰写——审稿与编辑、数据可视化、软件开发、数据分析。刘鹏:撰写——审稿与编辑、数据可视化、方法学研究、调查。朱明伟:撰写——审稿与编辑、监督、资金筹集、概念构思。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
李勇浩|栾晓毅|李一琳|陈莉如|刘鹏|朱明伟
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号